机载LiDAR是一门新兴的测绘技术,是测绘领域继GPS技术之后的又一次技术革命。目前LiDAR技术已经成为广大科研和工程技术人员解决空间数据获取问题的新手段,为工程与科学研究提供了更准确的数据。LiDAR技术在硬件方面国内外的研究已经取得了长足的进展,但在LiDAR点云数据后处理方面尽管有一些突破,依旧没有十分成熟的方案,仍然是研究的难点和热点。本篇论文基于高压输电线路通道机载LiDAR点云数据,首先对点云数据进行了噪点剔除,生成滤波和特征提取的基础数据;然后再对比分析数学形态学滤波和渐进TIN滤波在点云滤波处理特点的基础上,提出组合滤波方法,并进行了滤波实验研究和精度评价;最后将多尺度邻域下提取的局部特征与Point Net提取的全局特征通过全连接层组合,对点云数据进行了特征提取研究,并进行了结果分析。本文得出的主要结论有:(1)在局部地形变化不大的地方,数学形态学的移动窗口可以进行较为准确的滤波,但是当遇到地形起伏较大或者结构复杂的构筑物,数学形态学的移动窗口就不能准确的分割地面点和非地面点,造成大区域范围内滤波精度的下降;渐进TIN滤波主要受到初始TIN建立时种子点的选取影响产生滤波误差,而且这种误差具有传递性和累积性,因此本文提出将粗差剔除后的点云数据首先进行数学形态学粗滤波,分割出结构突变、点云高差明显的非地面点,然后在剩余的点云数据中进行搜索选取种子点,建立TIN,再用渐进三角网滤波算法进行多次迭代周期的滤波,直到没有非地面点的产生,就可以得到准确的地面点云数据。结果显示,相比于渐进TIN滤波与数学形态学滤波算法,本文所提的滤波策略的三类误差,与渐进TIN的滤波算法相比,除植被覆盖度高的Data1点云数据的滤波在Ⅱ类误差和总误差方面分别略高了1.49%、0.3%之外,其余的误差指标均有降低。验证了研究提出的算法,在植被覆盖度较高的复杂场景和植被覆盖度较低、较为平坦的场景中,均能表现出一定的适应性。在地貌简单的场景中,能够降低滤波误差,而在复杂场景中,相比于形态学滤波,精度也有较好的提升。(2)Point Net点云深度学习框架的对点云数据的全局特征有较好的提取,但是对点云的局部特征提取时却存在一定的不足。本文在研究Point Net特征提取网络的基础上,提出在Point Net进行全局特征提取的同时,构建多尺度因子的局部特征提取网络,然后将不同尺度邻域提取的局部特征与Point Net提取得到的全局特征进行全连接,最后通过多层感知机,输出点云数据中各点的分类分数。这样提高了学习网络对于点云数据局部信息的学习,提高了最终特征提取结果的精度,而且具有一定的泛化能力和各类场景的通用性。结果显示,在整体上线路杆塔的点云数据特征提取,外轮廓清晰,特征物点云没有与其他特征点云混合的地方,均能准确的进行提取,输电线路的电缆和杆塔也能较好的分别提取;地面的低矮草丛点云、灌木林由于点云特征差别很小,所以被分为一类;较为高大的乔木林的点云特征明显区别于低矮植物,所以能够根据树冠提取出植被的特征。而在局部特征上,本文提出的网络模型,因为增加了多尺度网络结构提取点的局部特征,在最主要的杆塔特征提取上相对于Point Net提高了6.1%,所以能够将Point Net误识别的“一团杆塔点云”,准确的识别为低矮植被点云。提高了点云局部特征的识别率。